駱志高，范祥偉，陳 強(qiáng)

（江蘇大學(xué) 機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212013）

拉伸是一種高效、節(jié)能、高利用率的加工方法，隨著現(xiàn)代社會(huì)對(duì)拉伸加工產(chǎn)品的需求越來(lái)越大以及競(jìng)爭(zhēng)的加劇，人們對(duì)拉伸件的質(zhì)量提出了更高的要求。由于拉伸過(guò)程中很容易產(chǎn)生微小裂紋，這些微小裂紋很難被發(fā)現(xiàn)且難以得到控制，經(jīng)常給制件帶來(lái)潛在的威脅，也一直是企業(yè)棘手的技術(shù)難題。因此，對(duì)拉伸件成型過(guò)程質(zhì)量的在線檢測(cè)的研究顯得尤為重要。本文通過(guò)聲發(fā)射技術(shù)在拉伸模具中的應(yīng)用，解決了對(duì)拉伸件成型時(shí)產(chǎn)生的微小裂紋的動(dòng)態(tài)監(jiān)測(cè)，實(shí)現(xiàn)對(duì)金屬拉伸件成型質(zhì)量狀態(tài)的識(shí)別。聲發(fā)射（Acoustic Emission簡(jiǎn)稱AE），由外部條件的變化引起物體或結(jié)構(gòu)某一局部或某些部分變得不穩(wěn)定并迅速釋放出能量且釋放出某些頻率的聲波［1］。由于聲發(fā)射信號(hào)本身具有不確定性、非平穩(wěn)性、突發(fā)性等特點(diǎn)［2］，使得聲發(fā)射波形信號(hào)處理成為聲發(fā)射技術(shù)中的難點(diǎn)和瓶頸。金屬拉伸過(guò)程中，聲發(fā)射提取到的AE信號(hào)很難反映實(shí)際物理狀態(tài)的信號(hào)參數(shù)［3］。本文針對(duì)AE特征參數(shù)的特點(diǎn)，利用遺傳算法［4］對(duì)特征參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)特征參數(shù)之后，選用馬氏距離判別法［5］對(duì)拉伸件質(zhì)量狀態(tài)進(jìn)行識(shí)別。

1 最優(yōu)特征參數(shù)的提取

最佳特征參數(shù)提取法包括特征參數(shù)的提取和特征參數(shù)的優(yōu)化兩個(gè)部分，首先對(duì)采集到的AE信號(hào)進(jìn)行局域波分解之后提取各IMF的能量值作為初始特征參數(shù)，然后基于遺傳算法對(duì)這些初始特征參數(shù)重組優(yōu)化后得到一個(gè)最優(yōu)特征參數(shù)。

1.1 初始特征參數(shù)的提取

由于聲發(fā)射信號(hào)本身具有不確定性、非平穩(wěn)性、突發(fā)性等特點(diǎn)，使得聲發(fā)射波形信號(hào)處理成為聲發(fā)射技術(shù)中的難點(diǎn)和瓶頸。局域波法［6］被提出后，經(jīng)驗(yàn)證在很多方面都優(yōu)于其它的信號(hào)處理方法。局域波法包括兩個(gè)過(guò)程：局域波分解和局域波時(shí)頻譜。局域波分解方法基于信號(hào)的局部特征時(shí)間尺度，能把復(fù)雜的信號(hào)函數(shù)分解為有限的本征模函數(shù)之和，每一個(gè)IMF所包含的頻率成分不僅與分析頻率有關(guān)而且最重要的是隨信號(hào)本身變化而變化，能突出信號(hào)的局部特征，對(duì)其進(jìn)行分析可以更準(zhǔn)確有效地把握其中的裂紋特征信息。因此，局域波分解方法是自適應(yīng)的信號(hào)處理方法，非常適合于非線性和非平穩(wěn)過(guò)程，具有很高信噪比。當(dāng)裂紋聲發(fā)射信號(hào)產(chǎn)生時(shí)，聲發(fā)射信號(hào)各頻帶的能量會(huì)發(fā)生變化，在各頻帶信號(hào)的能量中包含了豐富的信息，因而可提取各IMF能量作為特征參數(shù)來(lái)識(shí)別裂紋特征，其步驟如下：

（1）對(duì)原始采樣信號(hào)進(jìn)行EMD（Empirical Mode Decomposition）分解［7］，得到n個(gè)IMF分量以及一個(gè)趨勢(shì)項(xiàng)?？紤]到故障特征信息主要集中在高頻段，故選取包含主要故障信息的前k個(gè)IMF分量。

（2）求出各個(gè)IMF分量的能量ei。

（3）取前k個(gè)IMF的能量作為初始特征參數(shù)來(lái)構(gòu)造特征向量T。

當(dāng)能量較大時(shí)，ei通常是一個(gè)較大的數(shù)值，在分析時(shí)會(huì)帶來(lái)一些不便，可根據(jù)式（3）和式（4）對(duì)特征向量X進(jìn)行歸一化處理，得到歸一化后的特征向量T。

對(duì)所采集的每一組4個(gè)通道的AE信號(hào)在Matlab中進(jìn)行了局域波分解，提取前k階IMF分量的能量組成初始特征向量，而各個(gè)信號(hào)的局域波分解得到的都是8階以上的分量，所以這里取k=8，即只需求取前8階IMF的能量組成初始特征向量。

假設(shè)每個(gè)信號(hào)在4個(gè)聲發(fā)射通道均有采集，所以對(duì)于每個(gè)AE信號(hào)我們?nèi)?個(gè)聲發(fā)射通道平均能量值作為初始特征參數(shù)，根據(jù)公式（3）和公式（4），下面給出正常AE信號(hào)x1正常和裂紋AE信號(hào)y1的數(shù)據(jù)結(jié)果，其余信號(hào)依同法可求。

2 實(shí)驗(yàn)部分

2.1 試驗(yàn)系統(tǒng)的主要構(gòu)成

實(shí)驗(yàn)系統(tǒng)主要由液壓機(jī)、拉伸模以及聲發(fā)射檢測(cè)系統(tǒng)組成，主要包括：三維輸送裝備有限公司的350T智能式壓力加載機(jī)；畚斗拉伸模；鵬翔科技的PXR15諧振式聲發(fā)射傳感器；PXPAIV型聲發(fā)射前置放大器，50鋼等。實(shí)驗(yàn)系統(tǒng)的示意圖如下：

圖1 試驗(yàn)系統(tǒng)原理圖Fig.1 Schematic diagram of experiment

2.2 試驗(yàn)過(guò)程

2.2.1 主要步驟

（1）構(gòu)建實(shí)驗(yàn)系統(tǒng)，主要由液壓機(jī)、拉伸模及聲發(fā)射儀等組成，對(duì)整個(gè)系統(tǒng)進(jìn)行調(diào)試，分析噪聲、測(cè)試斷鉛信號(hào)、安裝及布置傳感器等；

（2）調(diào)整液壓機(jī)的運(yùn)行速度、模具壓邊力等參數(shù)，以分別采集到拉伸件正常狀態(tài)及裂紋狀態(tài)下的AE信號(hào)；

（3）對(duì)采集到的AE信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，即把各個(gè)AE信號(hào)進(jìn)行局域波分解。

2.2.2 實(shí)驗(yàn)參數(shù)設(shè)置

（1）聲發(fā)射傳感器主要參數(shù)：頻率帶寬：100～300 kHz；靈敏度＞65 dB；諧振頻率：150 kHz；使用溫度范圍：-20～80℃；尺寸：φ18×17 mm。

（2）前置放大器主要參數(shù)：頻率帶寬：15 kHz～1.5 MHz；增益：34/40 dB；噪聲：2.8 μVRMS；使用溫度范圍：-30～80℃；電源功耗：28 V/30 mA；主要尺寸：90×35×30 mm。

（3）采集卡主要參數(shù)：聲發(fā)射輸入通道數(shù)：4通道/卡；輸入電阻：40 Ω；信號(hào)帶寬：5 kHz～4 MHz；采樣分辨率：12字節(jié)；采樣速度：20 MSps/S；噪聲最小閥值：28 dB；最大信號(hào)幅度：100 dB；通道隔離度：≥90 dB

2.2.3 數(shù)據(jù)的采集

圖2 拉伸件正常狀態(tài)下的AE信號(hào)x1的波形圖（CH1-CH4）Fig.2 The oscillogram of x1（CH1-CH4）for normal state

本次實(shí)驗(yàn)分別采集了22組正常狀態(tài)的AE信號(hào)以及22組裂紋狀態(tài)的AE信號(hào)，分別記為x1，x2，…，x22和y1，y2，…，y22。如圖2所示是拉伸件正常狀態(tài)時(shí)四個(gè)通道所采集到的AE信號(hào)x1波形圖，圖3所示是拉伸件裂紋狀態(tài)時(shí)四個(gè)通道所采集到的 AE信號(hào)y1的波形圖。

圖3 拉伸件裂紋狀態(tài)下的AE信號(hào)y1的波形圖（CH-CH4）Fig.3 The oscillogram of x1（CH1-CH4）for crack state

3 實(shí)驗(yàn)數(shù)據(jù)處理

3.1 數(shù)據(jù)預(yù)處理

將已經(jīng)采集到了22組正常狀態(tài)的AE信號(hào)數(shù)據(jù)以及22組裂紋狀態(tài)的AE信號(hào)數(shù)據(jù)輸出至Excel表，通過(guò)Matlab調(diào)用函數(shù)將Excel中的數(shù)據(jù)導(dǎo)入進(jìn)而實(shí)現(xiàn)局域波分解，提取各imf的能量作為初始特征參數(shù)。

由于采集到的各個(gè)AE信號(hào)均是一種典型的非平穩(wěn)信號(hào)，而局域波分解方法是自適應(yīng)的信號(hào)處理方法，非常適合于非線性和非平穩(wěn)過(guò)程，故首先要對(duì)采集到的各個(gè)AE信號(hào)進(jìn)行局域波分解，以利于進(jìn)一步的數(shù)據(jù)分析及處理。本文對(duì)AE信號(hào)的局域波分解，是在Grilling的算法基礎(chǔ)上實(shí)現(xiàn)的，部分程序代碼如下：m=xlsread（‘00.xls’，‘sheet1’，‘A1：A2560’）；

受篇幅所限，在這里只給出其中第一通道采集的正常狀態(tài)的AE信號(hào)x1和第一通道采集的裂紋狀態(tài)下的AE信號(hào)y1的局域波分解的結(jié)果，如圖4和圖5所示，從圖中可以看出，AE信號(hào)x1（CH1）經(jīng)局域波分解之后得到9個(gè)本征模函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)，AE信號(hào)y1（CH1）經(jīng)局域波分解之后得到9個(gè)本征模函數(shù)分量和一個(gè)趨勢(shì)項(xiàng)。

對(duì)于正常狀態(tài)的AE信號(hào)x1其數(shù)據(jù)結(jié)果如表1所示。取4個(gè)聲發(fā)射通道的平均值可得AE信號(hào)x1的特征參數(shù)：

對(duì)于裂紋狀態(tài)的AE信號(hào)y2其數(shù)據(jù)結(jié)果如表2所示。

表1 正常AE信號(hào)x1（CH1～CH4）的特征參數(shù)Tab.1 Characteristic parameters of x1（CH1 ～CH4）for normal state of AE signal

表2 裂紋AE信號(hào)y1（CH1～CH4）的特征參數(shù)Tab.2 Characteristic parameters of y1（CH1 ～CH4）for crack state of AE signal

取4個(gè)聲發(fā)射通道的平均值可得AE信號(hào)y1的特征參數(shù)：

3.2 初始特征參數(shù)的重組優(yōu)化

對(duì)前面得到的初始特征參數(shù)基于遺傳算法進(jìn)行優(yōu)化重組，以生成一個(gè)識(shí)別能力優(yōu)良的最優(yōu)特征參數(shù)，記為P1、P2它們分別表示正常狀態(tài)和裂紋狀態(tài)的AE信號(hào)的最優(yōu)特征參數(shù)。在本文中進(jìn)行遺傳操作其GA的參數(shù)分別取遺傳因子數(shù)300，世代交替數(shù)1 000，淘汰率0.2，樹(shù)形圖的深度為5，對(duì)于正常AE信號(hào)x1、裂紋信號(hào)y1進(jìn)行遺傳操作可得到其最優(yōu)特征參數(shù)的表達(dá)式為：

顯然，對(duì)于其它信號(hào)進(jìn)行同樣操作也可以得到其最優(yōu)特征參數(shù)的表達(dá)式，受篇幅所限，這里只給出其中一組正常AE信號(hào)x1、裂紋信號(hào)y1的初始特征參數(shù)經(jīng)遺傳算法優(yōu)化重組后所的到的最優(yōu)特征參數(shù)的表達(dá)式，其余信號(hào)的不再給出。

3.3 拉伸件成型時(shí)裂紋狀態(tài)的識(shí)別

在提取到最優(yōu)特征參數(shù)之后，最后一步就是對(duì)拉伸件質(zhì)量狀態(tài)的識(shí)別，這是一個(gè)模式識(shí)別的問(wèn)題。本文使用的是較為簡(jiǎn)單的馬氏距離判別法來(lái)進(jìn)行模式識(shí)別，之所以沒(méi)有采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等較為復(fù)雜的模式識(shí)別方法，是因?yàn)橹挥幸粋€(gè)特征參數(shù)值，同時(shí)也是因?yàn)轳R氏距離法在其計(jì)算效率上的優(yōu)勢(shì)。

3.3.1 馬氏距離判別法

本文分別對(duì)拉伸件的兩種狀態(tài)進(jìn)行識(shí)別，即正常狀態(tài)和裂紋狀態(tài)。前面我們經(jīng)初始特征參數(shù)的提取和優(yōu)化之后得到了一個(gè)最優(yōu)特征參數(shù)，再分別計(jì)算出各個(gè)最優(yōu)特征參數(shù)的值，我們把訓(xùn)練樣本的特征值記為Pi，檢驗(yàn)樣本的特征值記為Px，求出同類狀態(tài)下所有訓(xùn)練樣本的特征值Pi的平均值和方差 var（Pi），這里把特征值Pi的平均值稱為標(biāo)準(zhǔn)特征值，i=1，2分別對(duì)應(yīng)拉伸件的正常狀態(tài)和裂紋狀態(tài)。可以通過(guò)下式來(lái)計(jì)算Px和拉伸件質(zhì)量的兩個(gè)狀態(tài)下的標(biāo)準(zhǔn)特征值之間的馬氏距離：

然后比較D1和D2的大小，取其中最小判別距離對(duì)應(yīng)的狀態(tài)為測(cè)試樣本的狀態(tài)類型，也即：如果D1＜D2，則拉伸件的質(zhì)量是正常狀態(tài)；如果D1＞D2，則拉伸件的質(zhì)量處于裂紋狀態(tài)。

3.3.2 識(shí)別結(jié)果

對(duì)于所采集到的44組AE信號(hào)，將其中的11組AE 信號(hào)x1，x2，…，x11以及 11 組 AE 信號(hào)y1，y2，…，y11作為訓(xùn)練樣本，其余的22組AE信號(hào)作為測(cè)試樣本。分別求出拉伸件正常狀態(tài)和裂紋狀態(tài)下的訓(xùn)練樣本的標(biāo)準(zhǔn)特征值和方差 var（Pi），求得的結(jié)果如表3所示。

表3 裂紋及正常狀態(tài)下標(biāo)準(zhǔn)特征值和方差Tab.3 Standard eigenvalue and variance of the cracks and normal states

然后，根據(jù)式（7）分別計(jì)算出20組測(cè)試樣本的特征值Px與正常狀態(tài)下和裂紋狀態(tài)下的標(biāo)準(zhǔn)特征值之間的距離，并比較比較D1和D2的大小，當(dāng)D1＜D2時(shí)，所測(cè)試的樣本是正常狀態(tài)；當(dāng)D1＞D2時(shí)，所測(cè)試的樣本是裂紋狀態(tài)。

表4 馬氏距離識(shí)別結(jié)果Tab.4 Results of Mahalanobis Distance Discrimination

表5 修正前的正確識(shí)別率統(tǒng)計(jì)Tab.5 Discrimination rate before corrected

表6 修正后的正確識(shí)別率統(tǒng)計(jì)Tab.6 Discrimination rate after corrected

表4給出了其中10組測(cè)試樣本經(jīng)馬氏距離識(shí)別的結(jié)果，從表中可以看出對(duì)于這10組測(cè)試樣本分析結(jié)果與實(shí)際完全相符。而對(duì)于全部22組測(cè)試樣本識(shí)別的正確率的統(tǒng)計(jì)如表5所示，從表中可以看出，對(duì)于22組測(cè)試樣本，有18組樣本得到了正確的識(shí)別結(jié)果，而其它4組樣本中，有3組樣本的D1和D2的大小相近不能判斷，經(jīng)分析可能是由于在實(shí)驗(yàn)時(shí)各種干擾因素造成的數(shù)據(jù)不準(zhǔn)確，另1組樣本的識(shí)別結(jié)果是裂紋狀態(tài)而“實(shí)際”狀態(tài)是“正?！睜顟B(tài)，把這組樣本所對(duì)應(yīng)的拉伸件去做鏡像分析，發(fā)現(xiàn)拉伸件內(nèi)部有肉眼看不到的微裂紋，也即這組樣本的識(shí)別結(jié)果與實(shí)際狀態(tài)相符，那么實(shí)際上本次實(shí)驗(yàn)對(duì)拉伸件的質(zhì)量狀態(tài)的正確識(shí)別率達(dá)到了86.4%（見(jiàn)表6），實(shí)驗(yàn)結(jié)果說(shuō)明了該方法可以有效地識(shí)別出拉伸件的裂紋AE信號(hào)從而判斷出拉伸件的質(zhì)量狀態(tài)。

4 結(jié)論

本文首先將聲發(fā)射初始特征參數(shù)進(jìn)行提取，得出兩組不同的特征向量，再運(yùn)用遺傳算法對(duì)AE特征參數(shù)進(jìn)行重組優(yōu)化，使用簡(jiǎn)單的馬氏距離實(shí)現(xiàn)對(duì)拉伸件質(zhì)量狀態(tài)的識(shí)別，由此得到以下結(jié)論：

（1）提出了識(shí)別指數(shù)的概念用于評(píng)價(jià)特征參數(shù)識(shí)別兩種狀態(tài)的能力，從理論上推導(dǎo)出其計(jì)算公式，并由此來(lái)建立遺傳算法的適應(yīng)度函數(shù)，按照設(shè)定的相應(yīng)遺傳參數(shù)對(duì)局域波提取的初始能量特征參數(shù)進(jìn)行重組優(yōu)化能自動(dòng)生成一個(gè)最優(yōu)特征參數(shù)，證明了遺傳算法強(qiáng)大的空間尋優(yōu)搜索能力。

（2）對(duì)于采集到的AE信號(hào)運(yùn)用本文的方法得到了一個(gè)最優(yōu)特征參數(shù)，使用簡(jiǎn)單的馬氏距離對(duì)拉伸件的兩種質(zhì)量狀態(tài)成功實(shí)現(xiàn)了識(shí)別，總的識(shí)別率達(dá)到了85%以上，驗(yàn)證了“最優(yōu)特征參數(shù)提取法”的有效性。

［1］ASTM E1316-1996，Terminology for Nondestructive Examination［S］.U.S.A，1996.

［2］胡昌洋，楊鋼鋒，黃振峰，等.聲發(fā)射信號(hào)處理和分析技術(shù)［J］.無(wú)損檢測(cè)，2002，24（1）：23-28.

［3］駱志高，王 祥，李 舉，等.利用聲發(fā)射信號(hào)的特征分析對(duì)沖壓模具的狀態(tài)判別［J］.振動(dòng)與沖擊，2008，27（3）：187-189.

［4］ Holland J H.Adaptation in natural and artificial systems［M］.Ann Arbor：The University of Michigan Press，1975.

［5］ Kalpana P，Gunavathi K.A novel implicit parametric fault detection method for analog/mixed signal circuits using wavelets［J］.ICGST-PDCS Journal，2007，7（1）：43-48.

［6］ Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proc.Roy.Soc.Lond.A，1998，454：903-995.

［7］于德介，程軍圣，楊 宇.Hilbert能量譜及其在齒輪故障診斷中的應(yīng)用［J］.湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2003，30（4）：47-50.